Fijngestemde Multilayer Perceptron
Een fijngestemde Multilayer Perceptron (MLP) begint met gewichten die geleerd zijn op een bron-taak — of een grote algemene dataset — en vervolgt de training op een kleinere doel-dataset met een gereduceerd leertempo. Dit hergebruik van vooraf geleerde representaties stelt de MLP in staat sneller te convergeren en beter te generaliseren dan trainen vanaf nul, vooral wanneer gelabelde doeldata schaars is.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536. DOI: 10.1038/323533a0 ↗
- Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems, 27, 3320–3328. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/nl/deep-learning/fine-tuned-multilayer-perceptron
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Fijn-afgestelde Convolutionele Neurale NetwerkenDeep learning↔ vergelijken
- Fijngestemde LSTMDeep learning↔ vergelijken
- Gefinetunede TransformerDeep learning↔ vergelijken
- Multilayer Perceptron (MLP)Deep learning↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →